FinBayes 战略白皮书（v3 草稿，R1 修订后）

本草稿基于 v2 implementation-grounding（已修订 5 处旧术语 + 节点 17 的 stub 补充）做段落级重写 + 战略层补强。结构（16 节）按 ADR-002 决策保留。

1. 执行摘要

FinBayes 是个人投资者的金融认知层——不是金融问答工具，也不是行情应用，更不是交易信号产品。它服务于"用户在复杂金融市场里持续形成、校准、更新自己的金融判断"这件事，本身不替用户做判断、不替用户下单、不持账户凭证。

它存在的理由是：今天的市场不缺信息，缺的是把信息变成判断、把判断变成可复盘资产的能力。行情、新闻、研报、社交媒体、交易平台和通用 AI 都在增加信息供给，但用户的认知效率并未同步提升——信息差正在转化为认知差。

FinBayes 在金融信息感知和交易执行之间承担认知层职责：把碎片化信息、用户关注对象、历史判断、反方证据、成立条件和失效条件组织起来，输出条件化、可复盘、带不确定性的金融认知材料。用户基于这些材料自主形成判断，决定是否进入交易动作；执行由用户自己的工具或下游执行系统承接。

这张图表达什么：FinBayes 在金融信息感知（左）与交易执行（右）之间的认知层定位 + 认知层的 6 项核心工作（B1-B6）。用户始终在认知层与执行层之间作为决策主体。

这张图特意不表达什么：6 项工作的内部组织 / 与 DH / TM 等具体生态对象的接口（在 §8 展开）/ 用户决策的具体 UX。

怎么读这张图：从左到右是金融信息处理链路；A→B→C→D 是主流程；B 内部 B1-B6 是认知层承担的工作。

FinBayes 是 Curvature Labs FinTec AI Ecosystem 中独立的产品与商业实体，与 Data Horizon（数据感知）、AI Trading Matrix（交易执行支持）、RLE（反馈学习引擎）、FEFM（金融领域基础模型）按"感知 — 认知 — 执行 — 学习"链路协同。生态内各产品独立运营，FinBayes 不被任何一个 captive。

第一阶段聚焦 Crypto + US Stocks，ETF 与关键宏观变量作为支撑层。这个组合既有高频波动与叙事变化（Crypto），也有财报、估值、行业与宏观联动（US Stocks），足以验证 FinBayes 的核心假设：个人投资者愿意把持续金融认知工作交给一个 AI 助手，并在持续使用中积累自己的判断资产。

长期，FinBayes 不止是 AI 金融助手，而是个人投资者持续使用的金融认知层——目标不是替用户成为专家，而是让每个人在自己关注的金融问题上拥有更清楚、更扎实、更可复盘的认知。

2. 市场背景：个人投资者进入复杂金融时代

金融市场本质上是复杂动态系统。价格不是单一信息的直接结果，而是宏观环境、流动性、政策预期、基本面、市场情绪、叙事传播和参与者行为共同作用的结果。它不是完全随机，也很难被长期、精确预测。

在这样的市场中，信息很重要，但信息不是答案。信息只是决策材料。真正重要的是筛选、理解和使用信息的能力，也就是把金融信息转化为金融认知的能力。

过去，个人投资者获取信息的门槛很高。谁能更快拿到行情、新闻、研报和交易数据，谁就拥有明显优势。今天这个门槛大幅降低。普通用户可以同时使用行情软件、财经媒体、交易平台、社交媒体、KOL、专业报告和通用 AI。信息获取变得更便宜、更即时、更丰富。

但用户的焦虑并没有因此消失。相反，信息越多，判断越难。用户看到价格涨跌，却不确定背后的驱动是什么；看到不同观点，却不知道哪些观点有证据，哪些只是叙事；看到市场剧烈波动，却不知道自己原来的看法是否已经失效。

金融信息处理范式也在变化。早期用户主要是"看"：看行情、看图表、看新闻。后来用户开始"搜"：主动查找某个事件、标的或数据。通用 AI 出现后，用户开始"问"：用自然语言获得解释和摘要。下一步正在出现的是"协作"：用户带着真实关注、已有判断和具体困惑进入系统，AI 不只是回答问题，而是帮用户完成判断形成、判断复查和认知更新。

这个变化打开了 FinBayes 的产品窗口。AI 的机会不只是更快总结金融信息，也不只是把金融工具包装成聊天界面，而是承担一部分过去完全由用户自己完成的金融认知工作。

通用 AI（GPT / Claude / Gemini 系列等）的能力快速演化中——基于 2026-05 评估，具体能力代际可能在 6-12 个月窗口内显著提升（此估算会随业界进展更新）。但通用 AI 是横向能力，FinBayes 是纵向认知层产品：通用 AI 提供基础理解 + 通用推理 + 通用记忆，FinBayes 在其之上叠加金融领域的持续认知状态（关注对象 / 历史判断 / 复盘链 / 失效条件）。FinBayes 不与通用 AI 在"通用问答"维度竞争，而是利用通用 AI 的能力演化，把自己定位在用户金融认知资产的长期持有者这个位置。

关于通用 AI 演化对 FinBayes 差异化的影响：通用 AI 演化窗口内某些能力维度可能被追平，详见 §15.6 "通用 AI 代际跃迁的影响"作为本工作流识别的战略未决项。FinBayes 的护城河不依赖单一能力维度，而依赖结构化产品形态钩子（详见 §10.1）。

3. 用户问题：信息很多，判断很难

个人投资者面对的核心问题，不是"有没有信息"，而是"能不能把信息变成更好的判断"。

第一，信息差正在转化为认知差。很多用户并不是完全看不到信息，而是不知道该从哪里开始，不知道哪些变量更重要，也不知道一条新闻、一个数据或一个观点应该放在什么框架里理解。对纯金融小白来说，问题是"不知道从哪开始"；对已起步用户来说，问题是"知道了很多，但仍然不会用"。

第二，信息过载让用户更容易被叙事牵引。市场里总有强叙事：AI、降息、ETF、监管、链上周期、盈利拐点、流动性回归。叙事能帮助人理解复杂世界，但也会污染判断。一个故事讲得久了，用户容易忘记这个故事成立的条件是什么，也容易忽略反方证据。

第三，判断难以复查。用户可能几周前看多某个资产，几天前担心某个风险，或者在某个事件后形成了一个观点。市场变化后，原判断是否仍然成立，往往没人提醒，也很难复盘。用户只能凭记忆重新判断，而记忆本身并不可靠。

第四，关注对象难以持续维护。传统自选股解决的是"提醒我这个标的变化了"，但没有解决"这个变化对我之前的判断意味着什么"。价格提醒、新闻推送和社区讨论都是事件层输入，不是用户认知状态的维护。

第五，已有判断难以矫正。这是金融认知中最重要、也最容易被忽视的一点。真实用户大多数时候不是白板进入市场，而是带着已有持仓、已有观点、已有偏好和已有恐惧进入任何工具。一个好的金融认知产品不能只帮助用户形成新判断，也要帮助用户持续检查旧判断是否仍然成立。

这些问题共同指向同一个需求：用户需要的是一个能解答金融问题，帮自己持续完善金融认知和判断的 AI 金融助手。

3.1 用户分层与核心用户

FinBayes 走大众入口，但第一阶段不能把所有用户都当成同等核心用户。不同金融成熟度用户对解释、判断、复盘、数据深度和付费的需求并不相同。

层级	用户类型	与 FinBayes 的关系
L0	金融小白	适合作为入口，需要友好解释和安全边界，但付费和复盘价值较弱。
L1	入门投资者	需要解释、框架和基本判断辅助，已经开始持续关注市场。
L2	主动型个人投资者	有真实判断、有关注集、有复盘需求，是第一阶段最核心的用户。
L3	高阶个人投资者	需求强，愿意复盘和追踪，但对数据覆盖、推理深度和证据质量要求更高。
L4	职业投资者	未来 Pro 或 B2B 方向，初期服务成本、协作复杂度和合规要求更高。

因此，FinBayes 第一阶段的核心用户是 L1-L3：已经对金融市场产生持续关注、开始形成判断、并需要复盘和矫正的人。其中，L2 是最优先验证的中心人群；L1 是向上成长的人群；L3 是能力上限和深度需求的压力测试人群。

FinBayes 不放弃 L0。L0 用户代表大众入口，也会在市场事件、朋友推荐、资产配置焦虑或学习需求中进入 FinBayes。产品必须对 L0 友好，能解释基础概念、降低恐惧、避免诱导交易，但不能把第一阶段的留存和商业判断建立在 L0 身上。

L4 也不作为第一阶段核心。职业投资者的真实需求往往涉及团队协作、深度数据、审计、权限、合规和专门工作流，过早服务 L4 会把 FinBayes 推向高成本定制产品。L4 更适合作为未来 Pro 或 B2B 方向，而不是第一阶段大众产品的起点。

这张图表达什么：用户 5 层金融成熟度的纵向递进（L0→L4），其中 L2 是第一阶段最核心的验证人群，承载真实判断 / 关注集 / 复盘需求三类核心行为；L4 是远期 Pro/B2B 方向（虚线表示不是第一阶段路径）。

这张图特意不表达什么：各层用户的数量分布（与产品 conversion funnel 不同）/ 各层付费意愿（在 §13.1 + §15.3 展开）/ 用户从 L1 成长到 L3 的具体路径。

怎么读这张图：从左到右是金融成熟度递增；实线箭头是核心人群间的自然成长；虚线箭头是远期演化方向。

4. FinBayes 的定义与愿景

FinBayes 给用户提供的核心价值是：在金融市场里帮使用者把金融问题想清楚、把金融信息看全面、把金融本质看透，持续完善自己的金融认知和判断，让每个人都能成为自己的金融专家。

这句话是 FinBayes 的定义锚点。后续所有产品机制、输出规范、技术架构、数据能力和商业设计，都应该围绕这个定义服务，而不是反过来成为 FinBayes 的定义本身。

FinBayes 是用户产品，不是工具产品，也不是平台产品

理解 FinBayes 必须看清三种定位的区别：

• 工具产品（如行情软件 / 计算器 / 信号扫描器）：用户拿来用、用完即走、不维护用户长期状态。FinBayes 不是这种。
• 平台产品（如交易所 / 数据终端 / 投顾市场）：用户在上面发现 / 选择 / 交易、产品本身做撮合或聚合。FinBayes 不是这种。
• 用户产品（如长期使用的笔记 / 持续陪伴的 AI 助理 / 个人记忆系统）：用户与产品共同积累状态、产品越用越懂用户。FinBayes 是这种。

这个区分有具体后果：

• FinBayes 优化目标是用户认知能力的持续提升，不是会话时长、问答数量、调用次数
• FinBayes 的核心数据资产是用户的关注对象 / 历史判断 / 复盘链 / 动态画像，不是市场数据 / 内容库
• FinBayes 的商业基础是用户长期留存，不是流量变现 / 撮合佣金

FinBayes 不是什么

FinBayes 不是普通金融 Chatbot。普通金融问答解决的是一次性问题：用户问一句，系统答一句，回答结束后状态消失。FinBayes 要解决的是连续认知：用户关注什么，过去怎么判断，现在什么条件变化了，哪些判断需要复查，哪些信息会改变原来的结论。

FinBayes 也不是交易执行系统。它可以帮助用户理解市场、识别风险、形成条件化判断、准备交易行动前检查与复盘历史判断，但用户的决策权和执行权仍然属于用户。FinBayes 的位置在金融信息和交易行动之间，是认知层，而不是执行层。

FinBayes 不是投顾。投顾根据用户情况给出个性化建议并承担相应责任；FinBayes 帮用户看清条件、风险、反方、失效边界，但不替用户决定 + 不承担用户决策的责任。这不是免责声明，是产品定位——FinBayes 服务于用户的认知能力，不替代用户的决策主权。

愿景

FinBayes 的愿景不是让用户依赖一个"外部专家"，而是帮助用户逐步建立自己的金融理解框架。一个用户持续使用 FinBayes 后，应该更能说清楚自己为什么关注某个资产、为什么形成某个判断、哪些条件会让判断失效、事后应该如何复盘。

"让每个人都能成为自己的金融专家"不是说每个人都变成职业投资人，而是说每个人都能在自己关注的金融问题上拥有更清楚、更扎实、更可复盘的认知。

5. 核心价值主张：持续金融认知能力

FinBayes 提供的不是一次性金融回答，而是持续金融认知能力。

这项能力可以拆成三层价值。

第一，帮用户把问题想清楚。很多金融问题表面上是在问"能不能追""怎么看""要不要减"，实际上背后可能是行情解释、趋势判断、资产比较、风险识别、交易准备或历史复盘。FinBayes 要做的第一件事，是识别用户真正关心的问题，并把含糊的情绪、直觉和疑问转化为可分析的金融认知任务。

例如，用户问"BTC 现在还能追吗"，这不是一个简单的是非题。它可能涉及时间窗口、风险承受、已有仓位、宏观环境、链上状态、资金流、技术位置和反方风险。FinBayes 的价值不是直接回答"能"或"不能"，而是帮助用户看清：这个问题要成立，需要先看哪些条件。

第二，帮用户把信息看全面。金融信息天然碎片化。价格、新闻、财报、链上数据、资金流、宏观指标、行业趋势和市场情绪各自代表不同侧面。单一信息源很容易放大某个角度，也很容易遮蔽反方证据。

FinBayes 要把与用户关注对象相关的信息组织成可理解的事实空间：发生了什么，谁在表达什么观点，哪些证据互相支持，哪些证据互相冲突，哪些信息还缺失，哪些结论只是推断而不是事实。用户拿到的不应该是更多碎片，而是更完整的判断材料。

第三，帮用户把本质看透。很多金融判断失败，不是因为用户完全没有信息，而是因为用户把叙事当成事实，把短期波动当成趋势，把局部证据当成全局结论，或者忘记了判断成立的前提。

FinBayes 要持续帮助用户识别关键变量、因果链、成立条件、失效条件、风险来源和不确定性。好的金融判断不一定永远正确，但应该有依据、可更新、可复盘。FinBayes 的价值就在于把判断从"感觉对"推进到"知道为什么对、在什么条件下对、什么时候需要重看"。

这三层价值共同形成持续金融认知能力。用户不只是获得一次回答，而是在一次次交互中积累自己的关注对象、判断记录、复盘线索和理解框架。

这张图表达什么：用户从提出金融困惑到更新认知状态的完整闭环 —— 9 步循环表达"持续金融认知能力"的工作方式。市场变化触发复查（G→H）是 FinBayes 区别于一次性问答的关键。

这张图特意不表达什么：每一步背后的工程实现 / 用户行为的并发结构 / 失败 / 降级路径。

怎么读这张图：A→I 是一个完整循环；每个节点都是用户视角的认知行为；I→A 表示循环回到起点（认知是持续过程不是一次性事件）。

工程承接：三层价值的具体输出认知要素（结论 / 依据 / 反方 / 成立条件 / 失效条件 / 信息缺口 / 来源时间戳 等）由产品定义文档承接；这些要素的具体 schema 由产品定义层定义。详见 产品定义文档 §7。

6. 核心差异化：懂金融、懂用户、懂判断

FinBayes 的差异化不是提供更多信息，而是同时做到懂金融、懂用户、懂判断。

6.1 懂金融

懂金融，意味着 FinBayes 把金融市场理解为多变量动态系统，而不是简单资讯集合。

在 Crypto 场景中，它需要理解价格波动、链上活动、协议生态、代币经济、资金流、交易结构、监管事件和市场叙事之间的关系。在 US Stocks 场景中，它需要理解公司基本面、财报、估值、行业周期、ETF 资金、宏观政策、利率预期和风险偏好之间的关系。

懂金融也意味着能区分不同问题类型。解释一个概念、分析一个事件、比较两个资产、复盘一个历史判断、识别下行风险、准备一次交易决策，这些任务不应该被压成同一种回答格式。

6.2 懂用户

懂用户，意味着 FinBayes 在持续使用中理解用户关注什么、过去如何判断、当前处于学习、观察、交易准备还是复盘状态，以及用户适合什么表达密度。

这种理解不是为了迎合用户，也不是为了替用户裁剪事实空间。用户偏好看多某个资产，并不意味着 FinBayes 应该减少反方证据；用户不喜欢复杂术语，也不意味着 FinBayes 可以省略关键风险。理解用户的目的，是提高沟通效率和判断支持质量。

FinBayes 应该让新手更容易进入金融问题，也应该让专业用户获得足够密度。它的表达可以适配用户层级，但判断质量不应因为用户层级降低而下降。

6.3 懂判断

懂判断，意味着 FinBayes 关注的不只是"信息是什么"，而是"用户如何形成一个更好的金融判断"。

一个好的金融判断至少应该具备五个特征：有依据、条件化、可更新、可复盘、能连接真实行动场景。FinBayes 要帮助用户看清支持理由，也要主动呈现反方；要给出结论倾向，也要标出不确定性；要帮助用户准备行动，也要让用户知道哪些条件变化后需要暂停或重看。

6.4 与通用 AI 的可感知差异

这正是 FinBayes 与行情软件、财经媒体、投资社区、通用 AI 和交易平台之间的核心差异。它不是信息层，也不是执行层，而是帮助用户持续形成、校准和更新判断的认知层。

特别针对通用 AI（GPT / Claude / Gemini 等）：

维度	通用 AI（基于 2026-05 评估）	FinBayes
金融领域深度	通用知识 + 可能的浅层金融特化（演化中可能追平）	多市场 + 多变量 + 跨事件理解
用户持续状态	短期会话记忆 + 部分 long-term memory（feature 维度不稳定）	关注对象 / 历史判断 / 复盘链 / 动态画像 一套连续金融认知资产
主动信号	当前一般需用户主动问；个别工具开始引入 agentic 触发器	Judgment Record 失效条件被触及时主动复盘提醒（以金融判断为单位的触发器）
反方与失效条件	不稳定输出	输出契约保证反方与失效条件呈现（具体强度由产品定义层定义）
凭证边界	不专门承接	金融执行凭证一律不收不存不训练，明示边界
持续使用积累	跨会话漂移	状态对象 + 候选两步确认 + 用户主权（含用户可导出 / 迁移）

通用 AI 的能力代际仍在快速演化中，部分维度（如长上下文 / agentic workflow / 工具调用 / 结构化输出）可能在窗口内追平；FinBayes 的护城河更多在结构化产品形态（Judgment Record 的"成立条件 + 失效条件"二元结构 + 主动信号触发器）而不在单一能力深度。详见 §10.1 留存钩子按"形态钩子 vs 能力深度钩子"的强度分层。

7. 产品组织逻辑：自然语言入口 + 金融认知状态

FinBayes 前台以自然语言对话降低使用门槛，后台围绕金融对象、用户判断、交易意图和持续状态组织用户的金融认知。

自然语言入口很重要，因为真实用户不会总是以标准金融任务表达问题。用户可能说"NVDA 财报后现在怎么看"，也可能说"这波 BTC 是不是有点追高了"，还可能说"我之前看多 ETH 的理由还成立吗"。这些表达里有情绪、有背景、有隐含条件，也有真实金融意图。

FinBayes 的第一层工作，是把这些自然语言表达转化为可处理的金融认知任务。它需要识别用户是在解释、分析、比较、复盘、识别风险，还是准备交易决策。

第二层工作，是围绕金融对象组织认知。金融对象不只是股票或代币，也可以是板块、主题、组合、事件、政策或市场叙事。用户关注的不是一个孤立 ticker，而是围绕某个对象持续形成的事实、观点、风险和判断。

第三层工作，是维护金融认知状态。关注对象、历史判断、用户意图、风险偏好、表达偏好和复盘记录，构成了 FinBayes 与用户持续协作的基础。持续状态不是通知中心，也不是简单聊天记录。它的价值在于让 FinBayes 能用用户自己的认知状态过滤市场事件：不是"BTC 跌了 5% 所以提醒"，而是"BTC 跌了 5% 触及了你之前判断中的某个关键前提，所以建议复盘"。

因此，FinBayes 的理想体验不是传统行情大屏，也不是模板库，而是以对话为主线，在必要时嵌入结构化认知内容。用户可以自然表达困惑，FinBayes 则把问题澄清、信息组织、条件判断和历史复盘放回一条连续认知主线中。

每一次交互都不应只是一次问答，而应该成为用户金融认知积累的一部分。

对负责实施 FinBayes 的团队来说，这一节不是体验口号，而是产品和工程拆解的上层约束：

• 前台可以是自然语言入口，但后台必须围绕金融对象、用户判断和复盘状态组织，而不是只保存聊天记录。
• 每次回答都要尽量留下可复用的认知资产，例如关注对象、判断倾向、支持证据、反方证据、成立条件、失效条件和待复查信号。
• 主动提醒不能退化成价格提醒或新闻推送，必须回答"这个变化对用户此前判断意味着什么"。
• 个性化不能用来迎合用户立场，只能提高表达效率和任务匹配质量。

FinBayes 的入口形态不改变这一产品逻辑。用户可以通过 Web、本地 TUI、本地 CLI，或未来经由外部 Agent 入口进入 FinBayes；这些入口负责交互和呈现，金融认知任务、证据组织、反方呈现、状态沉淀和认知/执行分工由同一套产品逻辑承接。

同样，FinBayes 的持续金融认知需要用户能围绕不同意图、不同场景和不同关注对象组织会话。长期价值沉淀到关注对象、历史判断、成立条件、失效条件和复盘链中；会话是容器，金融认知资产才是 FinBayes 的长期记忆。

第一阶段识别七类金融认知任务：解释、分析、比较、复盘、风险识别、交易准备、交易决策辅助。任务类型的具体定义、典型表达、必含认知要素由 产品定义文档 §4 承接；自然语言到任务的识别策略由工程层 ADR-004 决议。

8. FinBayes 在 FinTec AI Ecosystem 中的位置

FinBayes 是一个产品层面和商业层面都独立的产品。它在金融信息链路"感知 — 认知 — 执行 — 学习"的认知环节提供解决方案：在用户通过自然语言带来的问题里，帮用户把问题想清楚、信息看全面、本质看透、判断持续完善。

同时，FinBayes 是 Curvature Labs FinTec AI Ecosystem 的一员——生态里的各产品 / 系统围绕同一条链路展开，在各自独立的前提下协同：

这张图表达什么：FinTec AI Ecosystem 内 5 个对象（DH / FinBayes / TM / RLE / FEFM）的协同关系 —— DH 输出数据给 FinBayes；FinBayes 输出认知材料给用户；用户决策后可进入 TM 受治理执行；TM 反馈进入 RLE；FEFM 为 DH / FinBayes / TM 提供金融领域模型能力。FinBayes 的边界（不持凭证 / 不直接下单）作为虚拟约束节点贴在 FinBayes 上。

这张图特意不表达什么：各对象的内部结构 / 具体接口 schema（详见 §8.1 接口预期表）/ 各对象的独立运行能力（详见 §8.2）。

怎么读这张图：箭头表示数据/信息流向；用户（U）是认知层与执行层之间的决策枢纽，所有进入 TM 的指令必经用户主动决策。

8.1 各生态对象的定位与 FinBayes 的关系

生态对象	角色	与 FinBayes 的关系	接口预期
Data Horizon（数据感知层）	把分散、原始、低结构的金融信息处理成可消费的素材（事件、实体、时间线、整理过的数据）	FinBayes 从 Data Horizon 取素材，但 Data Horizon 不替 FinBayes 判断	FinBayes 消费 DH 输出的 Event / Entity / Timeline / DataSnapshot；具体 schema 见 DH 产品定义
AI Trading Matrix（执行支持层）	在用户已声明意图和约束下提供受治理的交易执行能力	用户基于 FinBayes 形成判断后，自主决定是否执行；FinBayes 不直接下单，不持有账户凭证	FinBayes 通过用户作为媒介向 TM 传递"交易行动前检查"信息；TM 接收的是用户决策后的指令，不是 FinBayes 的指令
RLE（反馈学习引擎）	把链路里的实际反馈（用户接受 / 拒绝 / 修改 FinBayes 的输出 + 行动后市场实际发展）整合起来，反哺各产品改进	FinBayes 输出反馈样本给 RLE；RLE 反向给 FinBayes 提供模型改进信号	Readiness-gated（待 RLE 项目启动后定）
FEFM（金融领域基础模型）	为生态各产品提供金融领域专属的模型能力	FinBayes 可选 FEFM 作为 L1 Provider（与 GPT/Claude/DeepSeek 并列）	通过架构层定义的 Provider 接口（具体协议见架构层 ADR-008）

8.2 独立性与协同的平衡

FinBayes 输出的是认知材料（条件化、可复盘、带不确定性），不是执行指令——用户在 FinBayes 和任何执行系统之间始终保留完整的决策权和执行权。这是 FinBayes 作为独立产品的定位，也是它在生态协同中扮演的角色。

生态协同遵循"独立运行是底线，生态集成是优选"原则。具体表现：

• FinBayes 可以在没有 Data Horizon 的环境下运行（自己接数据源）—— 但 DH 集成是优选（DH 把数据源治理、freshness、来源追溯做好了，FinBayes 自接成本与 DH 核心价值近等价）
• FinBayes 不必接 AI Trading Matrix 也能完整服务用户（用户用自己的执行工具）—— TM 集成在用户希望"FinBayes 输出 → 受治理执行"形态时是优选
• FinBayes 可以在没有 FEFM 的情况下用通用 LLM（OpenAI / Anthropic / DeepSeek / 本地 Ollama 等）—— FEFM 集成在金融特化需求强时是优选
• 这种"独立运行 + 优先协同 + 不强绑定"的设计来自战略约束：每个产品都需要自己证明独立商业价值，不靠生态内绑定吃饭

8.3 FinBayes → 用户 → 下游执行系统的协同接口规范

战略层不抢答 UX 设计，但锁住以下约束：

• 任何协同接口（导出、复制、推送到 TM 或第三方）必须保留用户的显式触发（不能自动 / 默认勾选）
• 任何协同接口必须保留用户的决策权（不能在用户未明示同意的情况下让 FinBayes 输出直接作为执行参数）
• 协同接口的具体形态（一键导出 / 复制粘贴 / API webhook 等）由产品定义层与 TM 项目共同设计

详细的生态对象关系见 生态对象注册表。

9. 第一阶段市场聚焦：Crypto + US Stocks

FinBayes 第一阶段聚焦 Crypto + US Stocks，ETF 与关键宏观变量作为支撑层。

这个选择不是因为这两个市场最容易，而是因为它们足够典型，足以验证 FinBayes 的核心能力。

Crypto 高频、高波动、叙事变化快，信息源高度分散。价格、链上数据、协议事件、监管变化、资金流和社群叙事往往同时影响用户判断。用户在 Crypto 中很容易受到 FOMO、恐慌和单一叙事牵引，也更需要条件化判断、反方证据和历史判断复盘。

US Stocks 用户规模大、信息密度高，财报、估值、行业竞争、ETF 资金、宏观政策和利率预期都会影响判断。它要求 FinBayes 不只是解释新闻，还要把公司、行业和宏观变量放在同一判断框架中。

ETF 与宏观变量作为支撑层，是因为它们往往连接两个市场。利率、通胀、美元流动性、风险偏好、行业主题 ETF 和资金流，都可能同时影响 Crypto 与 US Stocks。FinBayes 第一阶段不需要做所有市场，但必须能处理这两个市场之间的关键联系。

第一阶段不追求市场覆盖广，而追求两个市场能立住。市场扩展不是数据接入速度战，而是专业认知体系建设。每扩展一个市场，都意味着新的对象类型、新的数据语义、新的风险结构和新的判断方式。

Crypto + US Stocks 的组合，能够在高频波动、高信息密度和跨市场联动中验证 FinBayes 是否真的能提供持续金融认知能力。

关于不做的市场：A 股、商品、外汇、债券、衍生品等不在第一阶段。这不是承诺这些市场永远不做，而是声明：每个新市场都需要经过认知质量验证（详见 §11 / §15 的工程承接原则）；扩展到任何新市场必须经过有意识的战略评估，而不是基于"数据源现成"的工程便利推进。

10. 工具格局与定位差异

现有金融工具大多服务于信息获取、行情查看、观点消费、研究分析或交易执行。FinBayes 的机会，是成为个人投资者在信息获取与交易行动之间的持续金融认知层。

行情和图表工具强在价格展示、技术指标和交易辅助，但它们通常不承担用户判断的形成与复盘。自选股可以提醒价格变化，却很难回答"这个变化是否破坏了我之前的判断"。

财经媒体和 AI 搜索强在事件发现与信息摘要，但它们通常以内容为中心，而不是以用户的长期认知状态为中心。用户看完一篇文章或一次摘要后，仍然要自己完成跨来源对照、反方检查和条件判断。

投资社区和 KOL 强在观点供给和情绪共振，但观点往往来自单一立场，也很少承担事后校准。用户可以获得很多"别人怎么看"，但未必形成"我基于什么条件怎么看"。

通用 AI 助手可以解释概念、总结新闻、给出分析框架，但缺少金融市场的持续状态和用户历史判断。它通常不知道用户过去怎么看，也不知道哪些市场变化会触及用户已有判断。

专业研究终端和 Bloomberg 这类工具强在数据和研究覆盖，但它们默认用户已经具备较强专业能力。它们补充信息和分析材料，不主要承担帮助普通用户逐步建立金融认知的工作。

交易平台负责执行和账户层能力。它们可以承载交易行动，但不应该成为用户认知形成的唯一来源。

FinBayes 与这些工具的关系不是简单替代。它可以使用上游信息和数据，也可以在用户形成决策后连接下游执行系统，但它自己的位置是认知层：帮助用户把信息组织成判断，把判断变成可复盘的认知资产。

工具类型	强项	主要缺口	FinBayes 的位置
行情与图表工具	价格、指标、图表、提醒	不维护用户历史判断	把市场变化映射到用户判断条件
财经媒体与 AI 搜索	事件发现、摘要、检索	以内容为中心，不以用户认知状态为中心	把内容转为可复盘判断材料
投资社区与 KOL	观点供给、情绪共振	立场单一，缺少事后校准	补足反方证据和失效条件
通用 AI 助手	解释概念、生成框架	缺少金融持续状态和对象化记忆	持续维护关注对象和历史判断
专业研究终端	数据覆盖、机构研究	默认用户已有专业能力	降低个人投资者的认知组织门槛
交易平台	账户、订单、执行	不应承担认知形成主入口	保持认知与执行分工

10.1 vs 通用 AI 的留存钩子

最危险的竞争对手不是上面任一类，而是通用 AI（GPT / Claude / Gemini）加上用户自己的自选股 / 笔记的组合。FinBayes 的留存钩子按强度分层：

结构化产品形态钩子（依赖产品形态而非能力深度，时间衰减性低）：

• 持续状态资产：用户在 FinBayes 上积累的 Watchlist / Judgment Record / Dynamic Profile 是产品资产。这些资产可导出 / 可迁移（用户主权要求），但迁移到通用 AI + 自选股组合时会失去结构——Judgment Record 的"成立条件 + 失效条件 + 复盘链"二元结构在 free-form Memory 中无法保留。护城河是结构保留 + 连续复盘价值，不是不可迁移。
• 主动信号触发：Judgment Record 失效条件被触及时主动通知用户复盘 —— 这是以金融判断为单位的触发器，与通用 AI 的"时间 / 关键词 trigger"形态不同。即使通用 AI 加 Zapier / IFTTT 也只能逼近"价格阈值通知"，无法做到"我之前判断中的某个关键前提是否仍成立"的语义触发。

能力深度钩子（依赖通用 AI 未追平的能力维度，时间衰减性较高）：

• 金融专属深度：跨事件 / 跨变量 / 跨市场的金融推理深度。通用 AI 演化窗口内可能被追平 —— 这不是永久护城河。FinBayes 需要持续投入金融领域纵深 + 实时数据接入才能维持差异（详见 §15.6 通用 AI 代际跃迁未决）。

防御性边界钩子（事后才感知的负向价值，非吸引力）：

• 凭证边界 + 隐私边界：通用 AI 对金融凭证 / 隐私边界不专门承接；FinBayes 是明示的硬约束。用户事前不会因此选择 FinBayes，但事后凭证泄露 / 数据滥用事件中是关键差异。

留存钩子的真正强度由冷启动期数据验证决定（详见 §15 商业未决）——白皮书不抢答这些钩子在用户层面的可感知度与黏性。但结构化产品形态钩子比能力深度钩子更稳定，应作为长期投入重点。

11. 第一阶段战略验证重点

FinBayes 第一阶段需要验证的，不是"能不能做出一个金融问答工具"，而是"L1-L3 个人投资者是否真的需要并持续使用一个金融认知层产品"。其中，L2 主动型个人投资者是最核心的验证对象；L1 用来验证成长路径，L3 用来验证深度上限。

第一，用户是否愿意持续使用 AI 参与金融判断。一次性问答很容易发生，真正重要的是用户是否会围绕同一组关注对象反复回来，继续分析、追问、复盘和更新判断。

第二，关注对象是否能成为持续认知的承载体。用户是否愿意把资产、主题、事件或板块加入关注，并期待 FinBayes 后续帮助自己追踪认知状态，而不只是查看价格或新闻。

第三，历史判断和复盘是否带来真实价值。用户是否会关心"我之前为什么这么判断""这些理由现在还成立吗""哪些条件改变了"。如果复盘不能被用户感知为价值，FinBayes 的连续认知假设就不够强。

第四，"懂金融、懂用户、懂判断"是否形成可感知差异。用户是否能明显感受到 FinBayes 不是普通 AI 摘要，不是观点生成器，也不是交易信号工具，而是在帮助自己更清楚地形成判断。

第五，条件化、概率化的交易准备支持是否有价值。用户在接近交易行动时，是否需要一个系统帮助自己看清条件、风险、反方和失效边界，而不是直接给无条件买卖结论。

第六，Crypto + US Stocks 是否是合适切入市场。这两个市场能否支撑足够高频、足够复杂、足够可复盘的使用场景，决定了第一阶段战略聚焦是否成立。

第七，用户是否愿意为更好的金融认知和判断支持付费。FinBayes 的商业价值不应建立在模型调用次数上，而应建立在用户对持续金融认知能力的认可上。

这些验证都属于战略假设，不是工程验收清单。工程可以证明系统可运行，但只有用户持续使用和复盘行为，才能证明 FinBayes 的战略定位成立。

11.1 冷启动期验证方法的方向性提议（不替商业团队抢答）

战略层不抢答商业未决（详见 §15），仅给方向性提议。具体阈值、样本量、实验周期由产品定义层 + 商业团队基于冷启动期实际情况决定。

验证项	观测信号方向	备注
持续使用	同一用户 Day 7 / Day 30 回访率	样本基数门槛由产品/商业团队定
关注集留存	用户主动加入 Watchlist 后的中长期保留率	同上
复盘价值	用户主动发起复盘任务 / 接受主动信号的频率	复盘任务触发频率低，需要的有效样本应大于持续使用观测
可感知差异	用户对"FinBayes vs 通用 AI"的主观对比	建议结合主观问卷 + 客观行为指标
付费意愿	早期付费用户的留存与续费率	续费率观测受订阅周期影响（月订 vs 年订）
市场切入合适性	Crypto vs US Stocks 用户在前 5 项验证上的差异	验证 §9 战略市场聚焦的合适性

示例阈值（仅供产品/商业团队参考起步，不作为战略层硬约束）：100 用户基数才有统计意义起步；50+ 主观问卷样本；早期 20 付费用户开始观测续费。

与 §13.4 关系：§11.1 是早期战略级假设观测信号，§13.4 是商业 thesis 整体压测方法提议。两者目的不同但样本范围可能重叠，实验设计应在产品定义层 / 商业团队层做统一规划，避免重复采样导致统计偏差。

这张图表达什么：第一阶段战略验证如何覆盖用户层级——L0 是入口、L1 验证解释与框架、L2 是核心验证点（关注集/判断/复盘留存）、L3 验证深度上限、L4 不在第一阶段。

这张图特意不表达什么：用户层级的转化漏斗 / 各层级的样本量门槛（详见 §11.1 提议）/ 各层级的付费意愿。

怎么读这张图：左侧主轴是用户成熟度递进；右侧分支 V1-V3 是验证假设的核心信号；虚线表示 L4 不在第一阶段。

12. 阶段路线：从 AI 金融助手到个人金融认知层

FinBayes 的长期演进方向，是从一个 AI 金融助手，成长为个人投资者持续使用的金融认知层。

第一阶段，FinBayes 要建立自然语言金融助手体验，聚焦 Crypto + US Stocks，形成围绕金融对象的持续状态，验证多视角、反方、条件化判断、历史复盘和交易准备支持是否能稳定产生用户价值。

这一阶段的重点不是覆盖所有资产类别，也不是构建复杂商业包装，而是证明 FinBayes 的基本工作方式成立：用户愿意把真实金融困惑交给 FinBayes，愿意围绕关注对象持续回来，愿意让 FinBayes 帮助自己复盘判断，并认可这种方式提升了自己的判断质量。

后续阶段，FinBayes 可以沿三条线演进。

能力线：从基础认知输出走向更强的判断复盘、条件校准、跨事件推理和个性化认知状态。FinBayes 会更好地帮助用户理解自己的历史判断、识别观点漂移、看到反方覆盖和样本限制。

市场线：从 Crypto + US Stocks 扩展到更多资产类别，如 A 股、商品、外汇和更完整的宏观横向分析。但每个新市场都需要经过认知质量验证，而不是简单接入数据源。

形态线：从个人 AI 金融助手逐步发展为更完整的个人金融认知层。未来是否出现机构形态，应由真实客户需求、协作场景和合规要求共同决定，而不应在第一阶段预设。

阶段过渡条件：从第一阶段进入下一阶段需要满足以下条件，任一不满足都不应推进：

• 第一阶段战略验证（§11）的核心指标（持续使用 / 关注集留存 / 复盘价值）通过冷启动期门槛
• §15 的商业未决问题中至少 2 项得到冷启动期数据明确化（不是全部解决，但至少 2 项不再是猜测）
• 工程层完成 M0-M7 8 个里程碑的核心 5 项（M0 走通骨架 / M1 状态化 / M2 任务类型扩展 / M5 主动信号 / M6 评估闭环）
• 用户对认知输出质量有可量化的正面反馈（详见架构层评估闭环 §21）

无论如何扩展，FinBayes 的核心不变量不应改变：它帮助用户形成、校准和更新自己的金融判断；它服务于用户的认知能力，而不是替代用户的决策主权；它输出的是条件化、可复盘、带不确定性意识的金融认知，而不是无条件执行指令。

这张图表达什么：FinBayes 从第一阶段 AI 金融助手向个人金融认知层演进的三条演化线（能力线 / 市场线 / 形态线）—— 三线汇聚到"更强的认知状态维护"E，远期可能出现 Pro/B2B 形态 F（虚线表示不预设）。

这张图特意不表达什么：三线的时间窗口 / 各线进入下一阶段的具体触发条件（详见 §12 阶段过渡条件）/ Pro/B2B 形态的具体设计。

怎么读这张图：从 A 起向三个方向演化；实线箭头是确定性方向；虚线 -.-> 是远期可能。

13. 商业立场

FinBayes 的商业模式锚定金融认知服务的价值，不锚定模型调用次数或交易量。

13.1 大众入口，核心用户优先，长期留存

FinBayes 走大众入口路线，但第一阶段的核心用户是 L1-L3：已经对金融市场产生持续关注、开始形成判断、并需要复盘和矫正的人。L0 金融小白是重要入口，产品必须友好承接，但不把第一阶段付费和复盘价值建立在 L0 身上。L4 职业投资者代表未来 Pro 或 B2B 方向，第一阶段不以职业投资者工作流作为产品中心。

暗含的商业结构：这意味着 L0 大众用户的服务成本（LLM / 数据 Provider 等）由产品承担，但其商业回报（付费、留存价值）主要来自 L1-L3。L0 是引流 + 友好承接层，L1-L3 是商业留存中心。这个 cross-subsidization 结构由 §15.3 单位经济未决问题验证是否真能跑通；§13.5 给出如果不通的 escape hatch 优先级。

这意味着 FinBayes 不走小众高单价路线（即只服务少数高净值用户，把自己包装成"私人投顾管家"），也不走免费试用加限流逼付费的漏斗收割路线。它以大众入口获得用户，以 L1-L3 的持续判断、关注集维护和历史复盘形成留存。

FinBayes 承接的不只是用户的"正常"金融提问，也包括用户在 FOMO（错失恐惧）、半夜暴跌、突发事件中的情绪化时刻——温和承接情绪，但不附和事实空间，把情绪化时刻转化为认知工作的入口。

FinBayes 的商业基础是：一个把金融认知服务做扎实的产品，在用户的持续使用中形成稳定留存，由留存承载商业价值。

这张图表达什么：FinBayes 的商业留存循环——从大众入口（A）到核心留存（B）到认知资产沉淀（C）到付费理由（D）形成闭环；C→D→B 是付费驱动留存的正向循环。

这张图特意不表达什么：具体定价结构 / 付费层级（由产品定义层承接，详见 §13.3）/ Pro/B2B 形态的具体路径。

怎么读这张图：实线箭头表示用户在 FinBayes 内的成长路径与商业留存循环；虚线 -.-> E 是远期 Pro/B2B 演化方向。

13.2 输出质量在所有付费层级一致

FinBayes 的内容输出质量追求一致性高标准，不会因用户不同、渠道不同、付费层级不同或所用底座模型不同而改变输出质量。付费层级调整的是服务范围（使用频率、持续支持时长、主动反馈能力）和表达密度（表达深浅、术语深度），而不是判断质量本身。

具体来说：

• 任何付费层级的用户都能得到反方证据、失效条件、信息缺口的完整输出契约
• 任何付费层级的用户都能得到凭证不变量、用户主权、认知/执行分工的完整边界保护
• 付费差异体现在用得多 / 用得久 / 用得深，不体现在用得对 / 用得安全

这是 FinBayes 与"按调用次数付费"的产品的本质区别——后者的本质是把成本传递给用户，FinBayes 把成本（LLM / 数据 Provider 成本）做成商业模式压力测试的一部分（详见 §15 商业未决）。

13.3 商业策略的具体设计（产品定义层承接）

具体的付费层级划分、定价区间、收费维度组合、冷启动节奏、商业里程碑等，由产品定义层和商业团队结合冷启动期的真实留存数据、用户付费反馈、竞品价格调研综合决定。战略层在此声明的立场是：任何具体商业设计都不能背离上述商业模式锚点和质量一致性承诺。

13.4 商业 thesis 的压力测试方法（候选方向，提议给商业团队）

§15 商业未决问题中提到的三个开放问题（单位经济 / vs 通用 AI 留存竞争 / L1-L3 商业强度）需要冷启动期数据验证。战略层在此给出候选实验方向（不抢答具体设计，所有数值仅供参考）：

• 单位经济：选一批高频用户做一定周期的成本核算（候选：30-50 个用户 / 30 天 / 高频-低频 × 高输出量-低输出量四象限 + 时间维度看用户成熟度演化下的边际成本曲线）
• vs 通用 AI 留存竞争：早期用户对照实验（候选：4-8 周对照 / 一组 FinBayes + 自选股，一组通用 AI + 自选股 / 比较 Day 28 + Day 56 双点留存与主动续费 / 推荐行为）
• L1-L3 商业强度：在三个层级各招募一批早期用户分别观察（候选：每层 30-40 人 / 自然使用频率 + 主动复盘触发率 + 付费意愿 / 比较层级间分布）

所有方法仅为候选方向，具体样本量、实验周期、统计设计由产品定义层和商业团队基于冷启动期实际情况决定。§11.1 与 §13.4 的实验设计应统一规划，避免重复采样。

13.5 如果商业 thesis 压力测试失败的优先级（escape hatch）

如果 §15.3 单位经济压力测试结果是"不可行"，战略层声明以下调整优先级（从优先到不优先）：

1. 优先调整服务范围 / 表达密度上限（已经允许的商业差异化维度）—— 不动质量地板
2. 其次调整核心用户层级的服务深度（如 L0 是否限频、是否成为引流非留存层）—— 不动 §13.2 质量一致性 + §3.1 核心用户范围
3. 最后才考虑：放弃大众入口路线（违反 §13.1）或放弃质量地板（违反 §13.2）

这个优先级声明的目的是：让产品定义层和商业团队在压力测试结果不利时知道边界，避免因压力大而悄悄突破质量地板或凭证不变量等不可妥协边界。

14. 用户画像与敏感信息

"懂用户"是 FinBayes 核心定义里的关键修饰词——但怎么懂、懂到哪里、用户能控制多少，不是机制问题，是 FinBayes 对用户尊重的边界问题。

14.1 静默构建，透明可调

FinBayes 不通过传统金融机构的表单或问卷收集用户画像（不问"你的风险偏好是？"这类问题），而是在日常交互中静默观察形成对用户的理解——这是为了降低用户上手门槛，不增加问卷负担。

用户对 FinBayes 构建的画像始终保有完整控制权：可以随时查看画像、修改画像中任何信息、清空整个画像；用户清空时，FinBayes 显式提示"协作上下文已重置"，不悄悄清空。用户调整的优先级高于 FinBayes 静默观察，但 FinBayes 保留"我观察到了不同信号，是否重新调整"的提示路径。

14.2 画像用于沟通效率，不用于裁剪事实空间

FinBayes 用户画像服务于沟通效率（用合适的表达密度、术语深度、视角组合，在用户能接住的认知层级上呈现内容），不用于裁剪事实空间（不因用户立场倾向就过滤反方证据，也不因用户偏好简单就省略关键风险）。

这是 FinBayes "懂用户但不迎合用户"立场的具体体现——用户在 FinBayes 上能始终看到判断该有的多视角、反方和不确定性，不因画像被"贴心地"裁剪。

14.3 金融执行凭证一律不收、不存、不训练

金融执行凭证——私钥、助记词、钱包恢复短语、交易所登录凭证、交易所 API key、经纪商 API key、银行账户、信用卡等——FinBayes 一律不收、不存、不训练，即使为了"提升服务质量"也不收。

如果用户主动提供这些信息，FinBayes 拒绝接收并提示风险（例如"我不接受私钥；这类信息只该保存在你信任的钱包应用里"）。这是 FinBayes 不可妥协的边界，不因任何商业、产品、技术原因例外。

14.4 数据存储与隐私范式

新一代 AI 应用面临"集中数据 vs 联邦学习 vs 本地优先"的隐私范式选择。FinBayes 战略层的明示立场（具体工程实现保证由 工程架构文档 与产品定义文档承接）：

• 本地优先单机是第一阶段默认部署形态，用户数据（关注集 / 历史判断 / 动态画像 / 审计 trail）保留在用户本机，不上传 FinBayes 云端
• 远程托管作为可选演化路径，仅在用户显式启用时承接，承诺保护用户主权 + 用户随时导出（具体加密 / 传输 / 存储工程保证见架构层）
• 联邦学习 / 跨用户聚合在第一阶段不做——任何"群体智能"型功能涉及跨用户数据聚合，与 FinBayes 的用户主权立场冲突
• 数据用于 FinBayes 自身模型训练的边界：用户本地数据不进入 FinBayes 模型训练；用户主动选择上报的反馈样本（如对认知输出的"赞 / 否 / 编辑"）可作为 RLE 反馈输入（具体脱敏 / 处理工程保证见架构层）

如果 FinBayes 以本地部署形态运行，用户可以在自己机器上配置模型 Provider、数据 Provider 或本地服务所需的秘密。这类本机 Provider 配置不是金融执行凭证，也不应进入 FinBayes 的云端收集、训练、用户画像、判断记录或用户可见输出。战略层的边界是：FinBayes 可以让用户控制本地运行条件，但不能接收或持有能代表用户进行金融账户、资金或交易执行的凭证。

14.5 长期状态对象的两步写入与用户主权

长期金融认知资产（Watchlist、Judgment Record、Dynamic Profile）的写入遵循候选 → 用户确认两步契约：FinBayes 静默观察形成候选状态，但只有经用户明示确认（或编辑、拒绝）后才进入长期状态。"画像不裁剪事实空间"在工程层落为综合层的非可选契约——反方证据、关键风险、失效条件不因画像偏好被裁剪。具体工程承接见 工程架构文档 §11、§13、§17。

用户主权三件套（§14.1）同样适用于 Watchlist / Judgment Record / Dynamic Profile：用户可对任一长期资产做查看 / 修改 / 清空 / 导出操作。两步写入是"FinBayes 写入前的尊重"，主权三件套是"FinBayes 写入后用户的反向控制权"，两者共同构成完整的用户主权契约。

14.6 Provider 路由的可用性保障

FinBayes 把"用户在本地优先单机部署中配置 Provider 偏好"作为 first-class 场景，并在工程层提供四层降级（用户配置 → 系统默认 → 本地嵌入式 LLM → 缓存 + 规则 → 受限菜单）以保障 LLM 不可用时基础能力仍可用。具体降级链见 工程架构文档 §9 与 §13。

15. 当前未决问题

战略白皮书的诚实，不只是讲什么已经想清楚，也要讲什么还没拍板。下面这些是战略层真实的待决判断——在它们被回答之前，任何下游文档（产品定义、工程设计、商业）都不应该假装它们已经被回答。

15.1 方法论在更多市场的普适性

第一阶段在 Crypto + US Stocks 上验证 FinBayes 核心定义和工作方式是否成立。扩展到 A 股、商品、外汇、宏观横向时，新市场可能暴露之前没遇到的语义边界——FinBayes 的核心工作方式（帮用户想清楚、看全面、看本质、持续完善判断）在新市场是否仍稳定，没有先验答案。每扩展一个市场都需要经过认知质量验证，而不是简单接入数据。

15.2 个人产品与机构产品的分立时点

FinBayes 第一阶段服务个人投资者。机构形态（例如金融机构、家族办公室、对冲基金等团队协作场景）的服务边界与协作方式与个人差异极大，第一阶段不做。未来在什么用户规模、商业证据、服务边界需求下触发个人 vs 机构产品分立，由商业与产品团队共同决定，战略层尚未拍板。

15.3 商业模式可行性的整体压力测试

§13 锁了 FinBayes 商业立场的几个锚点（锚定金融认知服务价值 / 大众入口 / 输出质量跨付费层级一致 / 服务全情绪谱），但这套商业 thesis 作为整体还没有经过压力测试。三个关键开放问题：

• 单位经济：输出质量在所有付费层级一致 + 不锚定调用次数 + 大众入口三者，在"LLM 成本是变量、订阅价是常量"的现实下，是否在数学上能跑通——重度用户成本可能高于订阅价 vs 轻度用户付费意愿低的逆向选择如何处理，战略层尚未拍板。
• vs 通用 AI 的留存竞争：用户为什么不会用通用 AI（例如 ChatGPT + Memory）加自选股的组合替代 FinBayes？FinBayes 的留存钩子在哪（尤其首次使用后的 Day 7 / Day 30 之前），战略层尚未拍板。
• L1-L3 核心用户的商业强度：§13 已明确第一阶段核心用户是 L1-L3，但这三层用户各自的付费意愿、留存触发点和服务成本并不相同。L2 是否足以成为商业中心，L1 是否能自然成长到持续复盘，L3 的深度需求是否会显著抬高成本，战略层仍需要冷启动数据验证。

这些不是机制问题，是商业 thesis 整体能否成立的真实未决——具体压力测试方法详见 §13.4 提议，定量指标、用户对照组设计等由产品定义层和商业团队结合冷启动期数据承接。

15.4 工程承接未决问题的原则

工程化落地可以为这些未决问题提供观测点、实验开关、数据记录和后续扩展位，但不能提前替战略或商业团队给出答案。

具体原则：

• 对更多市场的普适性，工程上可以保留 Market Pack 扩展接口和评估流程；不能把 A 股、商品、外汇、债券等市场默认做成与 Crypto / US Stocks 等深的第一阶段能力。
• 对个人产品与机构产品分立，工程上可以避免把数据模型写死为单一用户场景；不能提前引入团队权限、机构审计、投研协同工作流作为第一阶段默认产品范围。
• 对商业模式可行性，工程上可以记录使用频次、复盘触发、问题族、成本和留存相关信号；不能把付费层级、价格、商业中心人群或调用次数计费逻辑写成产品事实。
• 对 L1-L3 的商业强度，工程上可以支持用户层级信号和表达密度；不能因为商业猜测改变输出质量、事实覆盖或反方证据呈现。

换句话说，工程要把 FinBayes 当前已经确定的金融认知产品做扎实，同时为未决问题留下可观察、可调整、可验证的空间。

未决问题对应的第一阶段工程观测字段如下。这些字段只用于产品学习、成本核算、质量复盘和后续决策，不改变用户可见输出质量，也不构成商业模式结论。

未决问题	工程先记录的观测字段	用途
更多市场的普适性	market_pack, market_scope, unsupported_market_reason, evidence_gap, case_library_result	判断新市场是否具备可扩展的证据面和认知质量
个人产品与机构产品分立	session_count, focused_object_count, state_action_type, export_or_share_intent, collaboration_signal	观察个人用户是否自然出现团队化、协作化需求
单位经济	provider_type, model_class, task_duration_ms, llm_call_count, tool_call_count, token_estimate, cache_hit, degraded_reason	估算不同任务族的服务成本和可降级空间
vs 通用 AI 的留存竞争	return_session_interval, watchlist_revisit, judgment_review_trigger, followup_depth, channel_clickback	判断 FinBayes 的持续认知资产是否形成留存钩子
L1-L3 商业强度	user_level_signal, expression_density, question_family, review_frequency, state_confirmation_rate, quality_feedback	区分不同用户层级的价值感知、复盘需求和服务压力

15.5 已 resolved 的未决问题去哪里

这一章会随事项被拍板而缩短。任何条目从这里移除时，必须满足两个条件：

1. 有显式决策记录：通过 ADR / OpenSpec proposal / Controller 决议等方式记录"何时由谁基于什么数据做了什么决定"
2. 决策记录可被追溯：从战略白皮书可点到对应决策文档

决策记录的位置（遵循 governance/change-protocol.md §6 约定）：

• 战略级（影响 §1-§14 立场）→ governance/proposals/accepted/YYYY/YYYY-MM-DD--finbayes-strategic-<slug>.md
• 产品级（影响产品定义文档）→ 产品定义文档自身版本历史
• 工程级（影响架构文档）→ governance/decisions/ADR-NNN-<slug>.md 或工作流级 governance/workstreams/<workstream-id>/decisions/ADR-*.md（后者需在 governance/decisions/ 留指针）

回写责任主体：resolved 条目从 §15 移除时，由 FinBayes Controller 触发战略白皮书反向更新 + accepted proposal 起 + 在本节末尾留下"已 resolved 条目归档表"指针。

这一章不会被悄悄缩短。

15.6 通用 AI 代际跃迁的影响（新增战略未决）

通用 AI（GPT / Claude / Gemini / Llama 等）能力代际跃迁是 FinBayes 第一阶段不能精确预测但必须监测的环境变量。

具体风险点：

• 通用 AI 在 6-12 个月窗口内可能引入长上下文 / agentic workflow / 工具调用 / 结构化输出 / 主动入口等能力，可能让 FinBayes 的"金融专属深度"钩子（详见 §10.1）部分追平
• 通用 AI Memory / 跨会话状态 演化方向可能让"持续状态资产"钩子受冲击，但 Judgment Record 的"成立条件 + 失效条件"二元结构在 free-form Memory 中不能直接复刻
• 通用 AI 与下游执行系统（钱包 / 经纪商 API）的协议演化可能让通用 AI 进入交易准备类场景

战略层应对原则（不抢答具体方案）：

1. 结构化产品形态优先于能力深度：把投入集中在通用 AI 难以复刻的产品形态（Judgment Record 二元结构 / 候选两步契约 / 复盘链 / 失效条件触发器），不与通用 AI 在能力深度上做军备竞赛
2. 利用而非抵抗通用 AI 演化：FinBayes 的 Provider Adapter Pool 设计允许用户配置最新通用 AI 作为 L1 Provider（详见 §14.6 四层降级链），通用 AI 越强 FinBayes 的金融认知输出质量越高
3. 冷启动期建立"代际跃迁监测指标"：在评估闭环（§14.5 工程承接）中加入 vs 通用 AI 的对照评估，每代通用 AI 重大更新后跑一次

具体监测方法、应对决策、护城河调整方案由产品定义层与商业团队结合实际竞品演化决定，战略层留为未决。

16. 结论：让每个人都能成为自己的金融专家

FinBayes 的出发点很简单：金融市场不缺信息，缺的是帮助个人投资者持续形成、校准和更新判断的金融认知能力。

一个更好的金融工具，不应该只让用户看到更多内容，也不应该把用户推向更快执行。它应该帮助用户理解自己关注什么、为什么这么判断、哪些证据支持判断、哪些反方不能忽视、哪些条件变化后需要重新看。

FinBayes 要做的，就是把这种持续金融认知能力产品化。它通过懂金融、懂用户、懂判断，帮助用户把问题想清楚、把信息看全面、把本质看透，并在持续使用中完善自己的金融认知。

这不只是一个产品定位，更是一种长期承诺：

• 对用户的承诺：FinBayes 是用户的金融认知伙伴，不替你决策、不卖你流量、不收你凭证
• 对生态的承诺：FinBayes 与 Data Horizon / AI Trading Matrix / RLE / FEFM 协同但不绑定，独立证明产品价值
• 对自己的承诺：把每个未决问题诚实标记，不抢答 / 不隐藏 / 不假装已经解决

最终目标不是建立一个让用户依赖的"外部专家系统"，而是让每个使用 FinBayes 的人，逐步在自己关注的金融问题上拥有更清楚、更扎实、更可复盘的认知。

让每个人都能成为自己的金融专家。